Maak kennis met GPT‑Rosalind voor onderzoek in de levenswetenschappen

Vandaag introduceren we GPT‑Rosalind, ons grensverleggende redenerend model, ontwikkeld ter ondersteuning van onderzoek op het gebied van biologie, geneesmiddelenontwikkeling en translationele geneeskunde. De modelreeks voor de levenswetenschappen is geoptimaliseerd voor wetenschappelijke workflows en combineert verbeterd gebruik van tools met een dieper begrip van chemie, eiwitengineering en genomica.

Gemiddeld duurt het in de Verenigde Staten zo’n 10 tot 15 jaar om van het identificeren van een doelwit tot goedkeuring van een nieuw geneesmiddel te komen. Verbeteringen in de vroegste fases van het onderzoek werken door in betere doelwitselectie, sterkere biologische hypothesen en experimenten van hogere kwaliteit. Vooruitgang in de levenswetenschappen wordt niet alleen beperkt door de complexiteit van de onderliggende wetenschap, maar ook door de onderzoeksworkflows zelf. Wetenschappers moeten grote hoeveelheden literatuur, gespecialiseerde databases, experimentele data en zich ontwikkelende hypothesen combineren om nieuwe ideeën te ontwikkelen en te toetsen. Deze workflows zijn vaak tijdrovend, versnipperd en moeilijk op te schalen.

Wij geloven dat geavanceerde AI-systemen onderzoekers kunnen helpen sneller door deze workflows te gaan: niet alleen door bestaand werk efficiënter te maken, maar ook door meer mogelijkheden te verkennen, verbanden te leggen die anders mogelijk over het hoofd worden gezien en sneller tot betere hypothesen te komen. Door ondersteuning bij het samenbrengen van bewijs, het formuleren van hypothesen, experimentele planning en andere meerstaps onderzoekstaken, is dit model ontworpen om de vroege onderzoeksfase te versnellen. Op termijn kunnen deze systemen organisaties in de levenswetenschappen helpen doorbraken te ontdekken die anders niet mogelijk zouden zijn, met een hogere kans op succes. 

GPT‑Rosalind is nu beschikbaar als onderzoekspreview in ChatGPT, Codex en de API voor gekwalificeerde klanten via ons trusted access-programma. We introduceren ook een vrij toegankelijke onderzoeksplugin voor de levenswetenschappen voor Codex, waarmee wetenschappers modellen kunnen verbinden met meer dan 50 wetenschappelijke tools en databronnen. We werken samen met klanten zoals Amgen, Moderna, het Allen Institute, Thermo Fisher Scientific en anderen om GPT‑Rosalind toe te passen in workflows die onderzoek en ontdekkingen versnellen.

Het model is vernoemd naar Rosalind Franklin, wier nauwgezette onderzoek heeft geholpen de structuur van DNA bloot te leggen en de basis heeft gelegd voor de moderne moleculaire biologie.

De GPT‑Rosalind‑modelreeks voor de levenswetenschappen ondersteunt modern wetenschappelijk werk met gepubliceerd bewijs, data, tools en experimenten. In onze evaluaties presteert het model het best bij taken die vragen om redeneren over moleculen, eiwitten, genen, biologische processen en ziektegerelateerde biologie. Het is ook beter in het inzetten van wetenschappelijke tools en databases binnen meerstaps workflows, zoals literatuuronderzoek, sequentie-naar-functie-interpretatie, experimentele planning en data-analyse.

Dit is de eerste release in onze GPT‑Rosalind‑modelserie voor de levenswetenschappen, en we blijven de grensverleggende biochemische redenering van het model uitbreiden binnen langdurige, tool-intensieve wetenschappelijke workflows. OpenAI’s compute-infrastructuur geeft ons de mogelijkheid om steeds capabelere modellen te blijven trainen, evalueren en verbeteren aan de hand van echte wetenschappelijke taken, waardoor deze systemen nuttiger worden naarmate de workflows zelf complexer worden.

We werken samen met toonaangevende klanten in de farmaceutische industrie, biotechnologie en onderzoek, evenals met technologieorganisaties in de levenswetenschappen, om GPT‑Rosalind toe te passen in workflows die ontdekkingen stimuleren.

We hebben GPT‑Rosalind geëvalueerd op een reeks capaciteiten die essentieel zijn voor wetenschappelijke ontdekking en industrieel onderzoek. Deze evaluaties meten het vermogen om te redeneren binnen verschillende wetenschappelijke subdomeinen, zoals chemische reactiemechanismen, eiwitstructuur, mutatie-effecten en interacties, en de fylogenetische interpretatie van DNA-sequenties. Daarnaast beoordelen ze of modellen onderzoeksworkflows in de praktijk kunnen ondersteunen, bijvoorbeeld door experimentele output te interpreteren, relevante patronen te herkennen en externe informatie samen te brengen om vervolgexperimenten te ontwerpen. Ook testen ze of modellen de juiste tools, databases en domeinspecifieke functies kunnen selecteren en gebruiken om hun redenering te versterken. Samen laten deze evaluaties zien dat er vooruitgang wordt geboekt in het volledige onderzoeksproces en dat modellen onderzoekers beter kunnen ondersteunen bij complexe ontdekkingstrajecten.

We hebben GPT‑Rosalind geëvalueerd op een reeks openbare benchmarks. Op BixBench, een benchmark die is opgezet rond bio-informatica en data-analyse in de praktijk, behaalde GPT‑Rosalind de beste prestaties van alle modellen met gepubliceerde scores.

In LABBench2, een benchmark die prestaties meet voor uiteenlopende onderzoekstaken zoals literatuuronderzoek, databasetoegang, sequentiemanipulatie en protocolontwerp, presteert GPT‑Rosalind beter dan GPT‑5.4 op 6 van de 11 taken. De grootste verbetering zien we bij CloningQA, waarbij het model volledige ontwerpen maakt voor DNA- en enzymreagentia binnen moleculaire kloneringsprotocollen.

We werkten ook samen met Dyno Therapeutics, een toonaangevend bedrijf in met AI ontworpen gentherapieën, om het model te evalueren op een taak voor het voorspellen en genereren van RNA-sequenties op basis van functie, met gebruik van ongepubliceerde, niet-gecontamineerde sequenties De prestaties werden vergeleken met 57 eerdere resultaten van menselijke experts in het AI-biodomein. Bij rechtstreekse evaluatie in de Codex app scoorden de beste van tien modelruns boven het 95e percentiel van menselijke experts op de voorspellingstaak en rond het 84e percentiel op de taak voor sequentiegeneratie.

Deze evaluaties geven een goed beeld van de prestaties in de workflows die wetenschappers dagelijks gebruiken om bewijs te verzamelen, complexe data te analyseren en tot goed onderbouwde biologische conclusies te komen.

Wetenschappers kunnen vanaf vandaag onze nieuwe Life Sciences research-plugin⁠(opent in een nieuw venster) voor Codex gebruiken, beschikbaar in GitHub. Dit pakket bevat modulaire functionaliteiten voor de meest voorkomende onderzoeksworkflows en helpt gebruikers werken met menselijke genetica, functionele genomica, eiwitstructuur, biochemie, klinische data en publieke studies.

Deze functionaliteiten fungeren als een orkestratielaag die wetenschappers helpt om brede, complexe en meerstapsvragen effectiever te beantwoorden Ze bieden toegang tot meer dan 50 publieke multi-omics-databases, literatuurbronnen en biologische tools, en vormen een flexibel startpunt voor veelvoorkomende, terugkerende workflows zoals het opzoeken van eiwitstructuren, het doorzoeken van sequenties, literatuuronderzoek en het vinden van publieke datasets.

In aanmerking komende Enterprise-gebruikers kunnen deze plug-in inzetten in onderzoeksworkflows met GPT‑Rosalind voor diepere biologische redenering, terwijl alle gebruikers het plug-inpakket kunnen gebruiken met onze hoofdlijnmodellen.

We willen deze mogelijkheden beschikbaar maken voor wetenschappers en onderzoeksorganisaties die het meest kunnen bijdragen aan de vooruitgang van de menselijke gezondheid, met sterke waarborgen tegen biologisch misbruik. Het Life Sciences-model wordt in eerste instantie uitgerold via een trusted-access-structuur voor geselecteerde Enterprise-klanten in de VS, met duidelijke controles op toelating, toegangsbeheer en governance. Tegelijk maken we een reeks connectors en de Life Sciences Research Plugin breder beschikbaar, zodat onderzoekers onze standaardmodellen effectiever kunnen inzetten voor onderzoek in de levenswetenschappen. 

Het Life Sciences-model is ontwikkeld met aangescherpte beveiligingsmaatregelen op enterprise-niveau en versterkt toegangsbeheer, waardoor professioneel wetenschappelijk gebruik in gereguleerde onderzoeksomgevingen mogelijk wordt. We beoordelen toegang op basis van drie kernprincipes: nuttig gebruik, sterke governance en veiligheidstoezicht, en gecontroleerde toegang met beveiliging op ondernemingsniveau. “In de praktijk betekent dit dat deelnemende organisaties wetenschappelijk onderzoek uitvoeren met een duidelijk maatschappelijk belang, passende governance- en compliancekaders hanteren en maatregelen nemen om misbruik te voorkomen, en de toegang beperken tot goedgekeurde gebruikers binnen veilige, goed beheerde omgevingen. Organisaties moeten ook akkoord gaan met de voorwaarden voor de Life Sciences-onderzoekspreview en voldoen aan het gebruiksbeleid van OpenAI, en we kunnen aanvullende informatie opvragen als onderdeel van de onboarding of verdere deelname.

Organisaties kunnen toegang aanvragen⁠ via ons kwalificatie- en veiligheidsbeoordelingsproces.

Tijdens de onderzoekspreview zal het gebruik van dit model je bestaande credits of tokens niet verbruiken, zolang er geen misbruik van wordt gemaakt. We delen meer details over prijzen en beschikbaarheid naarmate het programma wordt uitgebreid.

Het Life Sciences-model is ontworpen om wetenschappelijke organisaties te helpen sneller werk van hogere kwaliteit te leveren in omgevingen die zowel technische capaciteiten als operationele controle vereisen. Ons toegewijde Life Sciences-team, evenals adviespartners zoals McKinsey & Company, Boston Consulting Group (BCG) en Bain & Company, helpen organisaties bij het identificeren van usecases met grote impact, het integreren van het model in enterprise-omgevingen en het realiseren van meetbare resultaten. Als je wilt ontdekken hoe OpenAI Life Sciences je werk kan ondersteunen, kun je contact opnemen met ons Life Sciences-team⁠.

Dit is de eerste release in onze Life Sciences-modelserie, en we zien dit als het begin van een langetermijnverbintenis om AI te bouwen die wetenschappelijke ontdekkingen kan versnellen op gebieden die van groot belang zijn voor de samenleving, van de menselijke gezondheid tot breder biologisch onderzoek. We zullen de biologische redenering van het model blijven verbeteren, de ondersteuning uitbreiden voor onderzoeksworkflows die sterk leunen op tools en een lange doorlooptijd hebben, en nauw samenwerken met toonaangevende wetenschappelijke instellingen om de impact in de praktijk te evalueren. Dat omvat lopende samenwerkingen met nationale laboratoria zoals Los Alamos National Laboratory, waar we verkennen hoe AI-gestuurd ontwerp van eiwitten en katalysatoren kan worden ingezet, waaronder het aanpassen van biologische structuren met behoud of verbetering van belangrijke functionele eigenschappen. 

Na verloop van tijd verwachten we dat deze systemen steeds capabelere partners in het ontdekkingsproces worden, die wetenschappers helpen sneller van vraag naar bewijs, van bewijs naar inzicht en van inzicht naar nieuwe behandelingen voor patiënten te gaan.